企业自有数据资产的应用,有很多场景,这一系列文章只涉及在数字营销场景下的应用。
在《数据资产?你并没有什么数据资产》这篇文章结束的时候,我卖了一个关子,说只要文章有30个以上的回复,就开笔写企业自有数据资产的应用的话题。
所以,兑现这个承诺的时候到了。
企业自有数据资产的应用,有很多场景,这一系列文章只涉及在数字营销场景下的应用。
企业自有数据资产在数字营销上的应用可以分为两大类的场景。
第一大类,是微观场景,指数据直接作用于业务流程的具体环节上,用于改善这些具体环节的效果。
第二大类,是宏观场景,指数据对于业务流程甚至业务策略的整体性的改变。
第一类的应用,实现起来相对比较简单,一旦掌握,就能看到立竿见影的效果。第二类应用,则可能对企业产生深远的影响,但实现起来更困难,并且常常涉及到组织的再造。
而营销数字化的转型,一定也是建立在企业自有数据资产的合理高效的应用上的。
这个话题比较长,我尽量简明扼要,即使如此,我也还是分成上下篇来介绍。先从微观场景的应用开始,作为上篇。下篇介绍宏观场景。
01 细分人群
细分人群是企业应用自有数据的基础,也是自有数据应用系统(如CDP)的基本功能。CDP的细分功能主要基于触点上每一个用户的每一个行为,因此CDP的数据细分规则和细分颗粒度都会比DMP更细致。
基于细分人群,可以构建标签。这一点与企业应用外部数据的逻辑刚好是反过来的。在应用外部数据,例如在DMP应用数据的时候,是通过标签选出细分人群。而CDP则基于行为数据,筛选出满足这个行为规则的细分人群,再给这个人群打上标签。
企业的自有数据应用的所有场景,都基于细分人群。
02 基于自有数据资产的广告投放
这是最为简单直接的企业自有数据资产的应用方式。
实现方式很简单,将自己的细分人群数据上传给媒体平台的DMP系统,在DMP系统中生成新的人群,然后直接针对这些人群投放,或是在DMP中做 look-alike 之后投放。
很多企业担心,自己的数据被上传到媒体平台的DMP之后,会被媒体拿走“挪作他用”。这种可能性存在吗?
这个问题没有很简单的回答,所以我就不在这篇文章中介绍了,在我的大课堂会解释。但企业如果要在投放上应用自己的自有数据,确实要做一点事情“防备”这种情况。
例如,使用CDP中,利用消费者的行为数据细分的人群数据进行投放,而不要直接大量采用CRM中的按照购买转化数据细分的客户数据进行投放。后者数据价值太高,泄露之后造成的风险会很大,但数据体量却很小,其规模不太适合于大规模广告投放。也就是说,风险高,收益却不一定高。
利用自有数据资产进行广告投放的效果如何?
只要媒体的流量质量没有问题,一般而言,会更好。
但也要“具体数据具体分析”。
如果你用于投放的自有数据资源源自营销后端的潜在消费者数据甚至直接是从CRM中提取的客户数据,由于这些人群质量极高,因此基于这些数据的投放效果一般也会更好。
但如果你用于投放的自有数据只是包含第三方为你监测到的点击广告的人群,甚至只是广告曝光的人群,效果就很难有所保证。
不过,你也不能一味为了投放效果而一直使用营销后端的数据,我们必须要考虑“精准性和覆盖度平衡”的问题:人群越精准,投放的效果肯定越好,但是相对而言,覆盖的受众广度也会下降;反之,投放效果会变弱,但覆盖的受众广度也会扩大。
因此,选用什么自有数据,以及将这些数据放大到多大的程度进行投放,这是一个策略问题,也是一个技术活——不断测试,不断总结规律,然后找到那个最佳平衡点。
如果你的自有数据资产的体量足够大,你可以尝试用RTA的方式投放广告。这是一种基于广告主自有数据的“反查式”的投放,理论上有极强的精准性。大家移步阅读我的这篇文章:《RTA广告?欺负我读书少?》。
03 基于自有数据的广告投放效果评估
自有数据资产不仅可以用来投放做广告,它同样可以反过来评估广告投放的效果。
在媒介投放上,我一直非常强调这一点,尤其是对于品牌广告主。
品牌广告主衡量广告效果比价多依靠CTR或者TACTR(目标人群的CTR),然后是TA%或者n+ Reach这些“传统指标”。
但这些传统指标的一大问题就是,不总是可靠,尤其是CTR,太容易受到各种(有意地)人为干扰。TA的定义本身也是一个非常模糊的存在。
所以真正客观评价媒介流量的方法要依靠自有数据资产。广告流量进入广告主自有触点平台之后,会产生更加具体的行为数据,这些数据是企业的自有数据,被针对性的人为优化的难度比较大,而且越靠近后端人为作弊的难度和成本越高。
比如,一个广告被点击了10万次,CTR是10%,按照传统评估方法,投放效果不错。但这些点击进入广告主自有触点平台之后,跳出率是99%,或者99%的流量都没有任何停留时间,你会如何评判这个流量的好坏?
更深入地,一个广告被点击了10万次,CTR是10%,目标人群浓度是60%,按照传统评估,投放效果极好。但是这些受众最终的消费转化极少,你又会如何评判这个流量的好坏?
你可能会问,自有平台上消费者行为数据容易获得,但消费者最终实际消费转化如何跟广告投放相匹配?
这需要广告投放端、CDP、CRM、DMP的共同协作。广告投放端需要回传广告受众的device ID,CDP和CRM负责提供线上和线下转化用户的手机号码信息,DMP(主要是第三方DMP)搞定手机号码与device ID的匹配,并提供数据结论报告。
自有数据资产评估广告投放效果具有很好的可靠性,并且可用的指标也非常丰富,在我的大课堂中有系统性的介绍。不过,这个方法的采用有一个前提:广告投放的流量必须落地在广告主的自有媒体平台上。因此,这个方法对于企业私域流量的运营很有价值,但对直接投放到电商站内则基本无效。阿里应该已经注意到这一点,并正在构建全域营销(包含站内和站外)的数据工具体系。这是后话了,未来再跟大家介绍。
04 基于自有数据的监督学习的广告投放
自有数据能够评估广告投放的效果,因此,它会接着产生一个有趣的“副作用”——基于监督学习的广告投放。
这种方式类似于信息流广告投放的方式,广告投放之后的效果,用实时的后链路的数据做为监督的结果,反馈给投放端,投放端再自动调整投放策略和投放设置。
这种方式对广告主、投放技术服务公司已经媒体三方的要求都很高。具体是:广告主必须有CDP或者类似于CDP的系统能够实时反馈投放广告的后链路数据,广告主的投放技术服务公司要有根据这些数据监督学习的能力,媒体则要能提供诸如程序化合约或实时选人竞价的广告产品。考虑到广告产业越来越去中心化的趋势,媒体可能直接摒弃掉横亘在它和广告主之间的广告投放技术服务商,而直接为广告主提供相关的广告产品,直接由广告主的数据反馈作用于媒体自己的投放监督学习引擎,然后由媒体主动、自动地为广告主调整目标人群和投放参数。
阿里的“全域营销中台”的应用之一,就是要做这个事情。
05 基于自有数据的人群洞察
用自有数据(CDP)洞察人群,和用第三方数据(DMP)洞察人群有巨大的差异。二者不能相互替代。
自有数据的准确性高,但是数据涵盖的范围小——它只包含消费者与企业数字化互动和购买相关的数据,基于这些数据的洞察,不是男女性别、年龄大小之类的人口属性的洞察,也不是那些泛泛而谈事实而非的兴趣。而是对不同的消费者的数字营销交互情况的洞察,例如交互的深度、感兴趣的领域与程度,以及处于消费者旅程的什么阶段(AIPLA中的哪个阶段)等更具体的洞察。
谈到AIPLA,基于自有数据的人群洞察跟阿里品牌数据银行中AIPL的人群洞察有什么区别?
区别很大,最直接的区别,自有数据能够精确到对每一个个体的AIPLA的洞察,阿里数据银行是大规模人群数据——你自己的是微观层面的精细洞察,数据银行是宏观层面的粗略洞察。另一个区别是,自有数据的AIPL的定义是可以彻底的自定义的,阿里的AIPL不可以自定义,是黑箱。
基于自有数据的人群洞察,可以和第三方数据的人群洞察结合起来。最简单的实现方法是将细分的自有人群数据上传到媒体端的DMP,由媒体端DMP进行进一步的人群画像。
二者结合,能够有更多的洞察。比如,你的细分人群如果是对某个产品感兴趣的人群(行为规则的定义是在3日内查看了该产品3次或以上),那么再结合这部分人的媒体端的画像,能够有不少有意思的发现。关于洞察的内容,请大家移步我的这篇文章:《DMP的人群画像功能,究竟应该怎么用》。
06 触点自动化响应
从自己的触点上收集的自有数据,又能够反过来作用于触点。
第一种方式是基于这些数据的触点自动化响应。
比如,细分出在30天内下载过我的课程PPT的用户人群,然后在微信工具中定义自动化图文(或图片)发布的规则,满足上面条件的用户人群都能收到该图文。
触点自动化的响应不仅仅可以用在微信公众号内,在所有企业自有的触点上都可以使用。
例如,在网站上、小程序上实现弹窗;app的push和弹窗;对所有自有触点都适用的动态用户界面——根据用户的情况,自动组合呈现的页面或界面,与广告投放中的动态创意极为相似。
如果自有数据足够多,还可以用上监督学习,让触点的自动化响应效果不断优化。
07 触点体验优化
自有数据反作用于触点的第二种方式是触点体验优化。
事实上,刚刚讲到的触点动态界面也是触点体验优化的一部分。
利用自有数据,优化触点的落地环节、优化触点上的流程与转化、优化触点的微转化、优化引导与互动……从而不断提升消费者在触点上被转化的概率。
这是非常成熟的领域了,有诸多的模型和方法。在我的大课堂上有详细介绍,这里就不做具体说明了。
上半部分就讲到这里,下半部分容易慢慢写来。感谢!